Evaluation of Machine Learning Models for Geothermal Downhole Temperature Prediction Using Hydrogeochemical Datasets

पृथ्वी की सतह के बहुत नीचे, खंडित चट्टानों और प्राचीन भ्रंश रेखाओं (fault lines) के भीतर छिपी हुई, ऊष्मा का एक विशाल भंडार है। यह भूतापीय ऊर्जा एक स्वच्छ, स्थिर शक्ति का स्रोत प्रदान करती है जो राष्ट्रों को जीवाश्म ईंधन से दूर जाने में मदद कर सकती है, लेकिन ड्रिल करने के लिए सबसे अच्छी जगहों को खोजना एक कठिन और महंगा जुआ है। इथियोपिया की रिफ्ट घाटियों सहित कई क्षेत्रों में, वैज्ञानिक केवल जमीन को देखकर यह नहीं जान सकते कि मीलों नीचे कितनी गर्मी है। इसके बजाय, उन्हें अप्रत्यक्ष सुरागों पर निर्भर रहना पड़ता है, जैसे कि उस पानी की रासायनिक संरचना जिसने गर्म चट्टानों के बीच चक्कर लगाया और सतह पर वापस आ गया। दशकों से, विशेषज्ञ इन रासायनिक हस्ताक्षरों का उपयोग भूमिगत जलाशयों के तापमान का अनुमान लगाने के लिए करते आए हैं, लेकिन इन पारंपरिक अनुमानों में अक्सर त्रुटि की एक बड़ी गुंजाइश होती है। चुनौती इन बिखरे हुए रासायनिक सुरागों को भूमिगत ऊष्मा के एक सटीक मानचित्र में बदलने की रही है, एक ऐसा कार्य जिसके लिए ऐसे पैटर्न को पहचानना आवश्यक है जो मानक गणित द्वारा हल करने के लिए बहुत जटिल हैं।

अदीस अबाबा विज्ञान और प्रौद्योगिकी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने मशीन लर्निंग का उपयोग करके इस समस्या के प्रति एक नया दृष्टिकोण अपनाया है, जो कंप्यूटर इंटेलिजेंस का एक प्रकार है जो निश्चित नियमों का पालन करने के बजाय डेटा से सीखता है। उन्होंने इथዮपिया के चौदह अलग-अलग भूतापीय क्षेत्रों से जानकारी एकत्र की, जिससे लगभग दो सौ नमूनों का एक डेटासेट तैयार हुआ। प्रत्येक नमूने के लिए, उन्होंने गहराई में पाए गए तापमान और पानी में मौजूद विशिष्ट रासायनिक अवयवों, जैसे कि सिलिका, पोटेशियम, सोडियम और मैग्नीशियम की मात्रा को दर्ज किया। लक्ष्य एक कंप्यूटर को रासायनिक अवयवों और छिपी हुई ऊष्मा के बीच के संबंध को पहचानना सिखाना था, जिससे वह उन स्थानों पर तापमान की भविष्यवाणी कर सके जहाँ कोई प्रत्यक्ष माप उपलब्ध नहीं है। शोधकर्ताओं ने पांच अलग-अलग कंप्यूटर मॉडलों का परीक्षण किया, जो सरल रैखिक समीकरणों से लेकर उन्नत ट्री-आधारित प्रणालियों तक विस्तृत थे, जो चरों के बीच जटिल, गैर-रैखिक अंतःक्रियाओं को संभाल सकते हैं।

परिणामों ने दिखाया कि अधिक परिष्कृत कंप्यूटर मॉडल सरल मॉडलों की तुलना में इस काम में कहीं बेहतर थे। जब शोधकर्ताओं ने मॉडलों का परीक्षण उस डेटा के विरुद्ध किया जो उन्होंने पहले कंप्यूटर को नहीं दिखाया था, तो 'कैटबूस्ट' (CatBoost) नामक सबसे सफल मॉडल ने उच्च स्तर की सटीकता के साथ भूमिगत तापमान की सही भविष्यवाणी की। इसने एक ऐसा स्कोर प्राप्त किया जो दर्शाता है कि इसने वास्तविक तापमानों के नब्बे प्रतिशत से अधिक भिन्नता को पकड़ लिया, जिसमें औसत त्रुटि लगभग तेईस डिग्री सेल्सियस थी। एक अन्य मजबूत प्रदर्शन करने वाला मॉडल, जिसे 'रैंडम फॉरेस्ट' (Random Forest) कहा जाता है, औसतन अपनी गलतियों के आकार को कम करने में और भी बेहतर था, जो वास्तविक तापमान से केवल लगभग ग्यारह डिग्री ही चूक गया। इसके विपरीत, सरल मॉडल, जो सीधी रेखा वाले संबंधों पर निर्भर करते हैं, काफी संघर्ष करते हैं, जिससे बहुत बड़ी त्रुटियां होती हैं और वे तापमान की पूरी सीमा को पकड़ने में विफल रहते हैं। अध्ययन में पाया गया कि कंप्यूटर मॉडलों ने सीखा कि कुछ रसायन, विशेष रूप से सिलिका और पोटेशियम, ऊष्मा के सबसे मजबूत संकेतक थे, जबकि अन्य, जैसे कि मैग्नीशियम, पानी के गर्म होने के साथ कम होते जाते हैं।

इन कंप्यूटर उपकरणों की सफलता के बावजूद, शोधकर्ताओं ने नोट किया कि मॉडल अभी भी सबसे गर्म तापमानों की भविष्यवाणी करते समय चुनौतियों का सामना करते हैं। भविष्यवाणियां अत्यधिक ऊपरी सीमा में थोड़ी कम सटीक होती हैं, जो यह सुझाव देती हैं कि उन विशिष्ट क्षेत्रों में भूमिगत स्थितियाँ केवल रासायनिक डेटा की तुलना में अधिक जटिल हो सकती हैं। यह चट्टानों के प्रकारों में छिपे हुए बदलावों या दरारों के माध्यम से तरल पदार्थों के बहने के तरीके के कारण हो सकता है, जो ऐसे कारक हैं जिन्हें रासायनिक नमूनों ने पूरी तरह से नहीं पकड़ा। टीम ने निष्कर्ष निकाला कि हालांकि ये मशीन लर्निंग मॉडल भूतापीय अन्वेषण में अनिश्चितता को कम करने के लिए शक्तिशाली उपकरण हैं, वे स्थानीय भूविज्ञान की गहरी समझ के साथ मिलकर सबसे अच्छा काम करते हैं। पृथ्वी की रासायनिक भाषा की व्याख्या करने के लिए इन डिजिटल उपकरणों का उपयोग करके, वैज्ञानिक अधिक सूचित निर्णय ले सकते हैं, जिससे संभावित रूप से समय और पैसा बचाया जा सकता है और एक स्वच्छ ऊर्जा भविष्य के द्वार खोले जा सकते हैं।